spark_first_steps
Transcription
spark_first_steps
spark_first_steps February 12, 2017 1 Premiers pas avec Spark In [ ]: %matplotlib inline In [ ]: from jyquickhelper import add_notebook_menu add_notebook_menu() Out[ ]: <IPython.core.display.HTML object> 1.1 Deux ou trois petites choses à ne pas oublier 1.1.1 Local et cluster Spark n’est pas un langage de programmation mais un environnement de calcul distribué. L’installation en locale reproduit ce que Spark donnerait à grande échelle sur un cluster mais ce n’est pas rigoureusement identique. En particulier cela veut dire que si votre script tourne en local sur un petit jeu de données, il est possible qu’il échoue sur le cluster : • Les dépendances du script sont installées en local mais pas sur chaque machine du cluster Spark. Cela peut se faire à l’installation du cluster pour des dépendances conséquentes ou juste avant l’exécution d’un job pour des dépendances ponctuelles. • Les données sur le cluster sont en plus grand nombre, il est fort probable que l’échantillon aléatoire local ne soit pas représentatif. • Les chemins locaux ne fonctionnent pas sur le cluster. Il faudra d’abord uploader les données sur le cluster pour faire tourner le script. • Débugger est compliqué : les print ne marchent pas souvent, surtout si c’est en distribué. Le print va s’exécuter sur une machine distance qui est à mille lieues de votre écran. Quand ça plante sur une machine distante, il faut s’accrocher. Le pire, c’est quand l’erreur arrive pour une observation toute bizarre après cinq heures de calcul. Si le message d’erreur n’est pas trop incompréhensible, on sen tire. En fait, le plus agaçant, c’est quand le calcul est carrément interrompu par le cluster au bout de cinq heures car il décrète que les probabilités d’aboutir sont quasi nulles. Là, on connaît l’erreur (skewed dataset) et on sait qu’on va souffrir pour construire la contournante. 1 1.1.2 Spark et RDD Spark ne manipule pas des fichiers mais des Resilient Distributed Dataset ou RDD. En particulier : 1. Les RDD sont organisés en ligne : ce sont des blocs qui ne seront jamais cassés ni modifié. Ces lignes ne peuvent pas excéder 2 Go (voir SPARK-6235) mais il est conseillé de ne pas aller au-delà de quelques Mo. 2. Sauf exception, il est impossible d’accéder à une partie du fichier. Il faut le parcourir en entier (il n’y a pas d’index). 3. Les RDD fonctionnent comme des flux ou steam. On peut soit les lire, soit les écrire mais jamais les deux en même temps. Par conséquent, on ne peut pas modifier un RDD, il faut toujours en créer un autre. 4. Les RDD sont distribués. L’ordre des lignes qui le composent n’est pas prévisible. 5. Comme l’ordre est imprévisible, on ne stocke jamais les noms des colonnes dans les RDD. 1.1.3 Les partitions Il existe une exception au point 2 : les partitions. Une partition est un ensemble de lignes traitées par le même processus. La parallélisation ne peut excéder le nombre de partitions. Par défaut, c’est aléatoire (hash hash). Mais on peut tout-à-fait partionner selon une colonne, deux colonnes. D’ailleurs, c’est là-dessus qu’on joue pour optimiser la distribution. Si on réduit (ou grouper) selon une colonne, c’est d’autant plus rapide si le stream est déjà partitionnée sur cette colonne. 1.1.4 Spark et Python Spark est implémenté en Java. L’API Python permet de faire beaucoup de choses mais : • Elle ne sera jamais aussi complète que l’API Java. • Elle sera plus lente que l’API Java ou Scala (car Scala est une surcouche fonctionnelle de Java). 1.1.5 Librairies sur Spark Un des succès de Spark est de proposer des extensions dédiées à certains usages comme MLlib qui implémente des algorihmes de machine learning distribués, GraphX pour des algorithmes sur des graphes. MLlib sera bientôt remplacé par ML qui s’appuie sur les DataFrame. 1.1.6 Erreur : Cannot run program "python" Il vous manque probablement PYSPARK_PYTHON. In [ ]: import os for o, v in sorted(os.environ.items()): if "SPARK" in o.upper(): print("{0:25}= {1}".format(o, v.replace(os.environ["USERNAME"], "<username>"))) LOCAL_PYSPARK PYSPARK_DRIVER_PYTHON PYSPARK_PYTHON = c:\<username>\spark\spark-2.0.2-bin-hadoop2.7 = jupyter-notebook = c:\Python35_x64\python 2 PYSPARK_SUBMIT_ARGS SPARK_CMD SPARK_ENV_LOADED SPARK_HIVE SPARK_HOME SPARK_JARS_DIR SPARK_SCALA_VERSION _SPARK_CMD_USAGE 1.1.7 = = = = = = = = "--name" "PySparkShell" "pyspark-shell" set PYSPARK_SUBMIT_ARGS="--name" "PySparkShell" "pyspark-shell" && ju 1 true c:\<username>\spark\spark-2.0.2-bin-hadoop2.7\bin\.. "c:\<username>\spark\spark-2.0.2-bin-hadoop2.7\bin\..\jars" 2.10 Usage: bin\pyspark.cmd [options] Erreur : Output directory file:/... already exists Spark n’aime pas écrire des données dans un RDD qui existe déjà. Il faut le supprimer. Tout dépend de l’environnement où on se trouve, sur Hadoop ou en local. Comme c’est en local, nous ferons : In [ ]: from pyquickhelper.filehelper import remove_folder def clean(folder): if os.path.exists(folder): return remove_folder(folder) else: return [] clean("fichier.out.txt") Out[ ]: [('fichier.out.txt\\.part-00000.crc', 'file'), ('fichier.out.txt\\.part-00001.crc', 'file'), ('fichier.out.txt\\._SUCCESS.crc', 'file'), ('fichier.out.txt\\part-00000', 'file'), ('fichier.out.txt\\part-00001', 'file'), ('fichier.out.txt\\_SUCCESS', 'file'), ('fichier.out.txt', 'dir')] 1.1.8 Vérifier que Spark en local fonctionne On essaye le "hello world" en Spark qui consiste à compter les mots dans un fichier. On prend le fichier du notebook. In [ ]: text_file = sc.textFile("spark_first_steps.ipynb") counts = text_file.flatMap(lambda line: line.split(" ")).map(lambda word: (word, 1)).red counts.saveAsTextFile("fichier.out.txt") In [ ]: os.listdir("fichier.out.txt/") Out[ ]: ['.part-00000.crc', '.part-00001.crc', '._SUCCESS.crc', 'part-00000', 'part-00001', '_SUCCESS'] 3 1.1.9 Sortie en plusieurs fichiers Un job Spark est distribué. La sortie d’un job Spark s’effectue sous la forme de plusieurs stream dans un répertoire, un stream par processus. Cela explique la présence de part-00000, part-00001. Le fichier _SUCCESS indique le statut du job. In [ ]: %load_ext pyensae %head fichier.out.txt/part-00000 -n 3 Out[ ]: <IPython.core.display.HTML object> Le format dépend du dernier résultat. 1.2 Les opérations de bases Documentation : programming-guide.html - transformations. Dans cette section, on considère les données comme un ensemble de lignes de texte. Rien de plus. Donc, pas d’information de type, des conversions quasiment tout le temps. Bref, c’est utile pour comprendre. On y revient quand le reste ne marche pas. En général, on commence par Spark SQL. Ah oui j’oubliais, on s’en sert beaucoup quand les données ne sont pas structurées et sont décrites par du JSON, genre des logs d’un site internet. Chaque ligne est en fait un gros JSON. On utilise un jeu de données de machine learning Adult légèrement pré-traités et que vous pourrez trouver sur GitHub : td3a_spark. In [ ]: import os if not os.path.exists("data_adult.txt"): from pyquickhelper.filehelper import unzip_files unzip_files("data_adult.zip", where_to=".") assert os.path.exists("data_adult.txt") In [ ]: import pandas df = pandas.read_csv("data_adult.txt", sep="\t", encoding="utf-8") df.head() Out[ ]: 0 1 2 3 4 0 1 2 3 4 age 39 50 38 53 28 workclass State-gov Self-emp-not-inc Private Private Private marital_status Never-married Married-civ-spouse Divorced Married-civ-spouse Married-civ-spouse fnlwgt 77516 83311 215646 234721 338409 education education_num \ Bachelors 13 Bachelors 13 HS-grad 9 11th 7 Bachelors 13 occupation Adm-clerical Exec-managerial Handlers-cleaners Handlers-cleaners Prof-specialty relationship Not-in-family Husband Not-in-family Husband Wife race White White White Black Black capital_gain capital_loss hours_per_week native_country target 4 sex \ Male Male Male Male Female 0 1 2 3 4 2174 0 0 0 0 0 0 0 0 0 40 13 40 40 40 United-States United-States United-States United-States Cuba <=50K <=50K <=50K <=50K <=50K On enlève le nom des colonnes. In [ ]: df.to_csv("adult.txt", sep="\t", encoding="utf-8", index=False, header=None) In [ ]: %head adult.txt -n 2 Out[ ]: <IPython.core.display.HTML object> 1.2.1 déclaration d’un RDD La déclaration déclare l’existence d’un RDD comme on déclare un fichier. Pour l’instant aucune manipulation. In [ ]: rdd = sc.textFile("adult.txt") 1.2.2 enregistrement d’un RDD In [ ]: import os if not os.path.exists("out"): os.mkdir("out") In [ ]: clean("out/copy_adult.txt") rdd.saveAsTextFile(os.path.abspath("out/copy_adult.txt")) In [ ]: %head out/copy_adult.txt/part-00000 -n 2 Out[ ]: <IPython.core.display.HTML object> 1.2.3 lecture locale d’un RDD avec pandas On lit chaque morceaux avant de les concaténer. In [ ]: import glob import pandas def read_rdd(path, **options): pat = os.path.join(path, "part*") all_files = glob.glob(pat) if len(all_files) == 0: raise Exception("No file to read in '{0}'".format(path)) merge = [] for f in all_files: try: df = pandas.read_csv(f, header=None, **options) except Exception as e: 5 raise Exception("Unable to read '{0}'".format(f)) from e merge.append(df) if len(merge) == 0: raise Exception("No file to read in '{0}'".format(path)) concatenated_df = pandas.concat(merge, ignore_index=True) return concatenated_df data = read_rdd("out/copy_adult.txt", sep="\t", encoding="utf-8") data.head(n=2) Out[ ]: 1.2.4 0 0 39 1 50 1 2 State-gov 77516 Self-emp-not-inc 83311 0 1 6 Adm-clerical Exec-managerial 0 1 13 United-States United-States 3 4 Bachelors 13 Bachelors 13 7 Not-in-family Husband 8 White White 5 \ Never-married Married-civ-spouse 9 Male Male 10 2174 0 11 12 \ 0 40 0 13 14 <=50K <=50K collect Cette opération regroupe les deux précédentes en une seule. Il faut toute de même faire attention de ne pas l’exécuter sur un grand fichier sous peine de faire exploser la mémoire. In [ ]: res = rdd.collect() In [ ]: res[:2] Out[ ]: ['39\t State-gov\t77516\t Bachelors\t13\t Never-married\t Adm-clerical\t Not-in-family\t '50\t Self-emp-not-inc\t83311\t Bachelors\t13\t Married-civ-spouse\t Exec-managerial\t In [ ]: import pandas df = pandas.DataFrame([_.split("\t") for _ in res]) df.head(2) Out[ ]: 0 0 39 1 50 1 2 State-gov 77516 Self-emp-not-inc 83311 0 1 6 Adm-clerical Exec-managerial 0 1 13 United-States United-States 3 4 Bachelors 13 Bachelors 13 7 Not-in-family Husband 14 <=50K <=50K 6 8 White White 5 \ Never-married Married-civ-spouse 9 Male Male 10 11 12 \ 2174 0 40 0 0 13 1.2.5 map Transformer une ligne en une autre ligne. Chaque ligne est traitée indépendemment des autres. In [ ]: def extract_column(cols, row): spl = row.split("\t") return [spl[i].strip() for i in cols] res = rdd.map(lambda row: extract_column([1,3], row)) res.collect()[:2] Out[ ]: [['State-gov', 'Bachelors'], ['Self-emp-not-inc', 'Bachelors']] 1.2.6 filter Garder ou jeter une ligne. Chaque ligne est traitée indépendemment des autres. In [ ]: def filter_column(row): spl = row.split("\t") return spl[-1].strip() != "<=50K" res = rdd.filter(lambda row: filter_column(row)) res.collect()[:2] Out[ ]: ['52\t Self-emp-not-inc\t209642\t HS-grad\t9\t Married-civ-spouse\t Exec-managerial\t Hu '31\t Private\t45781\t Masters\t14\t Never-married\t Prof-specialty\t Not-in-family\t W On combine souvent les deux : In [ ]: def filter_column_split(row): return row[-1].strip() != "<=50K" res = rdd.map(lambda row: extract_column([1,3,-1], row)) \ .filter(lambda row: filter_column_split(row)) res.collect()[:2] Out[ ]: [['Self-emp-not-inc', 'HS-grad', '>50K'], ['Private', 'Masters', '>50K']] Il faut faire attention aux transformations successives des lignes. 1.2.7 flatMap C’est la principale différence avec SQL. Une ligne peut devenir un nombre variable de lignes. In [ ]: def extract_column_and_multiply_row(n, row): spl = row.split("\t") return [tuple(_.strip() for _ in spl)] * n res = rdd.flatMap(lambda row: extract_column_and_multiply_row(2, row)) res.collect()[:3] 7 Out[ ]: [('39', 'State-gov', '77516', 'Bachelors', '13', 'Never-married', 'Adm-clerical', 'Not-in-family', 'White', 'Male', '2174', '0', '40', 'United-States', '<=50K'), ('39', 'State-gov', '77516', 'Bachelors', '13', 'Never-married', 'Adm-clerical', 'Not-in-family', 'White', 'Male', '2174', '0', '40', 'United-States', '<=50K'), ('50', 'Self-emp-not-inc', '83311', 'Bachelors', '13', 'Married-civ-spouse', 'Exec-managerial', 'Husband', 'White', 'Male', '0', '0', '13', 'United-States', '<=50K')] 8 1.2.8 group / reduce + mapValues Petite moyenne ? In [ ]: def extract_age_rich(row): spl = row.split("\t") target = spl[-1].strip() age = float(spl[0]) return (age, target) def custom_agg(aggset): temp = list([_[0] for _ in aggset]) return len(temp), sum(temp) ave = rdd.map(extract_age_rich).groupBy(lambda row: row[1]).mapValues(custom_agg) fin = ave.collect() fin Out[ ]: [('>50K', (7841, 346963.0)), ('<=50K', (24720, 909294.0))] 1.2.9 sort Je n’en parle pas. Trier un gros jeu de données est à proscrire. On peut trier au sein d’un groupe mais jamais un stream entier. Ca fait presque dix ans que j’écris des jobs map/reduce, je n’ai jamais écrit un sort sur tout un jeu de données. Ca s’appelle flinguer de la CPU pour rien. 1.2.10 join Et on remet la moyenne dans le stream initial. Il vaut mieux regarder la documentation de la méthode join avant de commencer à lire le code qui suit. In [ ]: add_key = rdd.map(lambda row: row.split("\t")).map(lambda row: (row[-1].strip(), row)) join = add_key.join(ave) join.collect()[:2] Out[ ]: [('>50K', (['52', ' Self-emp-not-inc', '209642', ' HS-grad', '9', ' Married-civ-spouse', ' Exec-managerial', ' Husband', ' White', ' Male', '0', '0', '45', 9 ' United-States', ' >50K'], (7841, 346963.0))), ('>50K', (['31', ' Private', '45781', ' Masters', '14', ' Never-married', ' Prof-specialty', ' Not-in-family', ' White', ' Female', '14084', '0', '50', ' United-States', ' >50K'], (7841, 346963.0)))] On commence à comprendre pourquoi Spark SQL, ça risque d’être pas mal. 1.2.11 le choix existentiel du join : le petit join On fait souvent une opération qui consiste à garder les lignes pour lesquelles une certaine valeur appartient à un ensemble. On peut faire un join classique ou alors l’ensemble est petit, traiter ce join comme un map. On broadcaste l’ensemble à chaque processus exécutant le map. In [ ]: from pyspark.context import SparkContext ages = sc.broadcast([20, 30, 40]) ages.value Out[ ]: [20, 30, 40] In [ ]: subset = rdd.filter(lambda row: int(row.split("\t")[0]) in ages.value ) subset.collect()[:2] Out[ ]: ['30\t State-gov\t141297\t Bachelors\t13\t Married-civ-spouse\t Prof-specialty\t Husband '40\t Private\t121772\t Assoc-voc\t11\t Married-civ-spouse\t Craft-repair\t Husband\t A 1.2.12 les trucs qui servent parfois parce que ... à l’usage ça sert Ce que font les méthodes associées aux RDD, un peu comme les itérateurs, n’est pas toujours intuitif, mais il est à peu près sûr qu’elles vous serviront un jour (peut-être après avoir googlé ou bingé comme des fous). In [ ]: simple_rdd = sc.parallelize([2, 3, 4]) simple_rdd.collect() 10 Out[ ]: [2, 3, 4] In [ ]: simple_rdd.flatMap(lambda x: range(1, x)).collect() Out[ ]: [1, 1, 2, 1, 2, 3] histogram, groupByKey 1.2.13 le truc à retenir collect, collect... qu’est-ce que je voulais dire déjà... Ah oui... Un job map/reduce c’est : 1. La déclaration des flux d’entrées. 2. Le traitement à proprement parler. 3. La déclaration des flux de sorties. A moins d’écrire du java bas niveau, le job est transformé en un plan d’exécution qui n’est jamais exécuté si collect ou save machin chouette n’est jamais exécuté. Bref, c’est du lazy. 1.3 Spark DataFrame Spark SQL Au début, ça commence par... créer un dataframe. Et comme pour pandas, ces objets retienennt les noms et les types. In [ ]: import pandas data = pandas.read_csv("data_adult.txt", sep="\t", encoding="utf-8") data.head(2) Out[ ]: 0 1 0 1 age 39 50 workclass fnlwgt State-gov 77516 Self-emp-not-inc 83311 marital_status Never-married Married-civ-spouse education education_num \ Bachelors 13 Bachelors 13 occupation Adm-clerical Exec-managerial relationship Not-in-family Husband race White White sex \ Male Male capital_gain capital_loss hours_per_week native_country target 0 2174 0 40 United-States <=50K 1 0 0 13 United-States <=50K In [ ]: if "spark" not in locals(): from pyspark.sql import SparkSession spark = SparkSession.builder.appName("nimportequoi").getOrCreate() In [ ]: # sdf = spark.createDataFrame(data) # ça marche sdf = spark.read.csv("data_adult.txt", sep="\t", encoding="utf-8") In [ ]: sdf.show() 11 # à ne faire qu' +---+-----------------+------+-------------+-------------+--------------------+----------------|_c0| _c1| _c2| _c3| _c4| _c5| _c +---+-----------------+------+-------------+-------------+--------------------+----------------|age| workclass|fnlwgt| education|education_num| marital_status| occupatio | 39| State-gov| 77516| Bachelors| 13| Never-married| Adm-clerica | 50| Self-emp-not-inc| 83311| Bachelors| 13| Married-civ-spouse| Exec-manageria | 38| Private|215646| HS-grad| 9| Divorced| Handlers-cleaner | 53| Private|234721| 11th| 7| Married-civ-spouse| Handlers-cleaner | 28| Private|338409| Bachelors| 13| Married-civ-spouse| Prof-specialt | 37| Private|284582| Masters| 14| Married-civ-spouse| Exec-manageria | 49| Private|160187| 9th| 5| Married-spouse-a...| Other-servic | 52| Self-emp-not-inc|209642| HS-grad| 9| Married-civ-spouse| Exec-manageria | 31| Private| 45781| Masters| 14| Never-married| Prof-specialt | 42| Private|159449| Bachelors| 13| Married-civ-spouse| Exec-manageria | 37| Private|280464| Some-college| 10| Married-civ-spouse| Exec-manageria | 30| State-gov|141297| Bachelors| 13| Married-civ-spouse| Prof-specialt | 23| Private|122272| Bachelors| 13| Never-married| Adm-clerica | 32| Private|205019| Assoc-acdm| 12| Never-married| Sale | 40| Private|121772| Assoc-voc| 11| Married-civ-spouse| Craft-repai | 34| Private|245487| 7th-8th| 4| Married-civ-spouse| Transport-movin | 25| Self-emp-not-inc|176756| HS-grad| 9| Never-married| Farming-fishin | 32| Private|186824| HS-grad| 9| Never-married| Machine-op-inspc | 38| Private| 28887| 11th| 7| Married-civ-spouse| Sale +---+-----------------+------+-------------+-------------+--------------------+----------------only showing top 20 rows 1.3.1 Conversion à pandas In [ ]: df = sdf.toPandas() In [ ]: df.head() Out[ ]: _c0 0 age 1 39 2 50 3 38 4 53 0 1 2 3 4 _c1 _c2 workclass fnlwgt State-gov 77516 Self-emp-not-inc 83311 Private 215646 Private 234721 _c5 marital_status Never-married Married-civ-spouse Divorced Married-civ-spouse _c3 _c4 \ education education_num Bachelors 13 Bachelors 13 HS-grad 9 11th 7 _c6 occupation Adm-clerical Exec-managerial Handlers-cleaners Handlers-cleaners 12 _c7 relationship Not-in-family Husband Not-in-family Husband _c8 race White White White Black _c9 \ sex Male Male Male Male 0 1 2 3 4 1.3.2 _c10 capital_gain 2174 0 0 0 _c11 capital_loss 0 0 0 0 _c12 _c13 _c14 hours_per_week native_country target 40 United-States <=50K 13 United-States <=50K 40 United-States <=50K 40 United-States <=50K Retour aux RDD In [ ]: sdf.rdd Out[ ]: MapPartitionsRDD[59] at javaToPython at null:-2 1.3.3 Récuperer le schéma In [ ]: sdf.schema Out[ ]: StructType(List(StructField(_c0,StringType,true),StructField(_c1,StringType,true),Struct In [ ]: sdf.printSchema() root |-|-|-|-|-|-|-|-|-|-|-|-|-|-|-- 1.3.4 _c0: string (nullable = true) _c1: string (nullable = true) _c2: string (nullable = true) _c3: string (nullable = true) _c4: string (nullable = true) _c5: string (nullable = true) _c6: string (nullable = true) _c7: string (nullable = true) _c8: string (nullable = true) _c9: string (nullable = true) _c10: string (nullable = true) _c11: string (nullable = true) _c12: string (nullable = true) _c13: string (nullable = true) _c14: string (nullable = true) Utiliser pandas pour spécifer le format On utilise pandas sur une partie du stream. In [ ]: import pandas df = pandas.read_csv("data_adult.txt", sep="\t", encoding="utf-8") df.head(n=2) 13 Out[ ]: 0 1 0 1 age 39 50 workclass fnlwgt State-gov 77516 Self-emp-not-inc 83311 marital_status Never-married Married-civ-spouse education education_num \ Bachelors 13 Bachelors 13 occupation Adm-clerical Exec-managerial relationship Not-in-family Husband race White White sex \ Male Male capital_gain capital_loss hours_per_week native_country target 0 2174 0 40 United-States <=50K 1 0 0 13 United-States <=50K In [ ]: sdf = spark.createDataFrame(df) In [ ]: sdf.printSchema() root |-|-|-|-|-|-|-|-|-|-|-|-|-|-|-- age: long (nullable = true) workclass: string (nullable = true) fnlwgt: long (nullable = true) education: string (nullable = true) education_num: long (nullable = true) marital_status: string (nullable = true) occupation: string (nullable = true) relationship: string (nullable = true) race: string (nullable = true) sex: string (nullable = true) capital_gain: long (nullable = true) capital_loss: long (nullable = true) hours_per_week: long (nullable = true) native_country: string (nullable = true) target: string (nullable = true) In [ ]: fullsdf = spark.createDataFrame(sdf.rdd, sdf.schema) In [ ]: fullsdf.printSchema() root |-|-|-|-|-|-|-|-|-- age: long (nullable = true) workclass: string (nullable = true) fnlwgt: long (nullable = true) education: string (nullable = true) education_num: long (nullable = true) marital_status: string (nullable = true) occupation: string (nullable = true) relationship: string (nullable = true) race: string (nullable = true) 14 |-|-|-|-|-|-- 1.3.5 sex: string (nullable = true) capital_gain: long (nullable = true) capital_loss: long (nullable = true) hours_per_week: long (nullable = true) native_country: string (nullable = true) target: string (nullable = true) Enregistrement au format parquet In [ ]: fullsdf.write.parquet("data_adult.schema.parquet") 1.3.6 Relecture du format parquet In [ ]: newsdf = spark.read.parquet("data_adult.schema.parquet/") In [ ]: newsdf.printSchema() root |-|-|-|-|-|-|-|-|-|-|-|-|-|-|-- 1.3.7 age: long (nullable = true) workclass: string (nullable = true) fnlwgt: long (nullable = true) education: string (nullable = true) education_num: long (nullable = true) marital_status: string (nullable = true) occupation: string (nullable = true) relationship: string (nullable = true) race: string (nullable = true) sex: string (nullable = true) capital_gain: long (nullable = true) capital_loss: long (nullable = true) hours_per_week: long (nullable = true) native_country: string (nullable = true) target: string (nullable = true) Dataframe Spark VS Dataframe pandas Spark a reproduit la même interface que pandas pour ses dataframes excepté que le résultat n’est pas calculé tant qu’on ne choisit pas de sauvegarder le résultat. In [ ]: fifty = fullsdf [fullsdf.age > 50] In [ ]: fifty.show() +---+-----------------+------+-------------+-------------+-------------------+-----------------|age| workclass|fnlwgt| education|education_num| marital_status| occupation 15 +---+-----------------+------+-------------+-------------+-------------------+-----------------| 53| Private|234721| 11th| 7| Married-civ-spouse| Handlers-cleaners | 52| Self-emp-not-inc|209642| HS-grad| 9| Married-civ-spouse| Exec-managerial | 54| Private|302146| HS-grad| 9| Separated| Other-service | 59| Private|109015| HS-grad| 9| Divorced| Tech-support | 56| Local-gov|216851| Bachelors| 13| Married-civ-spouse| Tech-support | 54| ?|180211| Some-college| 10| Married-civ-spouse| ? | 53| Self-emp-not-inc| 88506| Bachelors| 13| Married-civ-spouse| Prof-specialty | 57| Federal-gov|337895| Bachelors| 13| Married-civ-spouse| Prof-specialty | 53| Private|144361| HS-grad| 9| Married-civ-spouse| Machine-op-inspct | 53| Private|169846| HS-grad| 9| Married-civ-spouse| Adm-clerical | 79| Private|124744| Some-college| 10| Married-civ-spouse| Prof-specialty | 67| ?|212759| 10th| 6| Married-civ-spouse| ? | 52| Private|276515| Bachelors| 13| Married-civ-spouse| Other-service | 59| Private|159937| HS-grad| 9| Married-civ-spouse| Sales | 53| Private|346253| HS-grad| 9| Divorced| Sales | 57| Private|249977| Assoc-voc| 11| Married-civ-spouse| Prof-specialty | 76| Private|124191| Masters| 14| Married-civ-spouse| Exec-managerial | 56| Self-emp-not-inc|335605| HS-grad| 9| Married-civ-spouse| Other-service | 53| Private| 95647| 9th| 5| Married-civ-spouse| Handlers-cleaners | 56| Self-emp-inc|303090| Some-college| 10| Married-civ-spouse| Sales +---+-----------------+------+-------------+-------------+-------------------+-----------------only showing top 20 rows In [ ]: In [ ]: 16